第3单元第12课《智能预测出行方式》教案　-2024-—2025学年浙教版（2023）初中信息技术九年级全册

信息技术 第13课 智能预测出行 课题 智能预测出行方式 单元 第三单元 学科 信息技术 年级 九年级 教材 分析 《智能预测出行方式》该课时教材编排了“人工神经网络-深度学习—神经网络实现出行预测”的系列学习活动，旨在让学生通过人工神经网络，能归纳深度学习的特点;通过神经网络实行预测，初步理解人工神经网络;能根据实际需要选择合适的深度学习，具有神经网络实行预测的理念。教材编排合理，教学环节注重实践与理论相结合，教材内容贴近学生生活实际，符合九年级学生认知特点。 教学 目标 1、信息意识：培养对信息的敏感度，能够在面对复杂的出行情境时，迅速捕捉到关键信息，为智能预测出行方式提供依据。 2、计算思维：学会运用算法思维来解决与出行方式预测相关的问题，能够将实际问题抽象为数学模型，并运用适当的算法进行求解。 3、数字化学习与创新：掌握利用数字化工具和资源进行出行方式学习和研究的方法，如使用在线地图、交通数据分析软件等。 4、信息社会责任：了解智能预测出行方式对个人隐私和数据安全的影响，认识到保护个人信息和数据安全的重要性。 重点 一、人工神经网络 二、深度学习 三、神经网络实现出行预测 难点 1、神经网络实现出行预测 教学过程 教学环节 教师活动 学生活动 设计意图 导入新课 通过项目化学习，能设计一个智能预测出行方案;通过预测实践，能制作出满足预测出行要求的作品。 探究： 1、智能预测出行方式需要考虑哪些条件或要素? 2、如何利用机器为我们的出行提供合理的建议? 神经网络模型用于智能预测出行，需要采集出行相关的数据，对数据进行预处理和特征提取，将数据划分为训练集和测试集;选择适合的模型进行训练和测试，并将训练好的模型应用到实际出行预测中，提高出行效率和降低出行成本。 听讲，学生之间的相互讨论智能预测出行的方案。 帮助学生理解如何设计一个智能预测出行方案。 讲授新课 一 、人工神经网络 人体内有大量神经细胞，也叫神经元。神经细胞通过相互联系构成了一个功能强大、结构复杂的信息处理系统--人体神经系统。人能够思考并从事各种各样的复杂工作，是因为身体内部微小的神经细胞起着作用。 科学家受到人体神经细胞的启发，把每个神经细胞抽象成一个叫作神经元模型的基本信息单元，把许多这样的信息单元按一定的层次结构连接起来，就得到人工神经网络。通过输入层给人工神经网络输入大量数据，由神经元模型构成的多层神经网络对这些数据进行计算，从而得到需要输出的结果。 如图13-1所示，给计算机输入猫的图片数据，需要计算机输出是否为猫的判断。将图片数据输入给人工神经网络，第一层神经网络会提取图片的初始特征，然后输入给第二层神经网络，第二层神经网络会把上一层提取的特征通过参数调节的方式进一步细化，再输入给下一层神经网络，以此类推经过多层神经网络的处理，最终得到猫的特征模型，利用特征模型做出是否为猫的判断。 日积月累 如图13-1所示，给计算机输入猫的图片数据，需要计算机输出是否为猫的判断。将图片数据输入给人工神经网络，第一层神经网络会提取图片的初始特征，然后输入给第二层神经网络，第二层神经网络会把上一层提取的特征通过参数调节的方式进一步细化，再输入给下一层神经网络，以此类推经过多层神经网络的处理，最终得到猫的特征模型，利用特征模型做出是否为猫的判断。 新知拓展 智能预测出行方式需要考虑哪些条件或要素? 个人方面 出行目的，如上班倾向快捷准时方式，休闲购物更灵活。 出行时间，高峰平峰及特定时段交通状况不同。 身体状况，影响选择步行、骑行等方式的意愿。 交通方面 交通状况，包括拥堵、事故、施工等，需实时信息。 公共交通可用性与可靠性，如线路覆盖、发车频率、准点率。 出行距离，长距选飞机火车，中短距考虑其他方式。 环境方面 天气状况，恶劣天气影响出行方式选择。 空气质量，差时倾向公共交通或减少出行。 地形地貌，起伏大地区影响骑行步行选择。 社会方面 社会活动和事件，导致局部交通拥堵需提前规划。 政策法规，如限行政策影响出行方式抉择。 二 、深度学习 深度学习是机器学习训练模型的一种算法，是人工神经网络算法的拓展。典型的深度学习模型就是多层神经网络。深度学习模型的结构如图13-1所示，就像人工神经网络一样有输入层、输出层，中间是神经网络构成的隐层。 隐层的工作流程是一个一层一层不断递进的处理过程。一般情况下，我们把超过四层的人工神经网络称为深度学习。深度学习通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升计算机处理新数据的准确性。 深度学习可以通过构建卷积神经网络(CNN)来进行图像识别。CNN可以自动从图像中提取出更有用的特征，从而实现对不同物体的识别。 三、神经网络实现出行预测 使用神经网络进行出行预测的步骤包括数据收集、数据预处理、模型设计、模型训练、模型优化等。 下面仅呈现实现数据输入部分的Python代码。 # 导入所需模块 import tensorflow as tf from sklearn import datasets from matplotlib import pyplot as plt import numpy as np · 数据集读入 #导入数据,分别为输入特征和标签 X_data= datasets.load traffic().data y_data = datasets,load traffic().target · 数据集乱序 # 随机打乱数据(因为原始数据是顺序的,顺序不打乱会影响准确率) # seed:随机数种子,是一个整数,当设置之后,每次生成的随机数都一样np.random.seed(116)#使用相同的seed, 保证输入特征和标签一一对应np.random.shuffle(x_data) np.random.seed(116) np.random.shuffle(y_data) tf.random.set seed(116) · 数据集分出训练集和测试集 # 将打乱后的数据集分割为训练集和测试集，训练集为前120行，测试集为后 30行 x_train=x_data[:-30] y_train =y_ data[:-30] x_test =x_data[-30:] y_test =y_data[-30:] 由于机器学习的结果受到各种外界条件的影响，目前大部分的通过训练形成的模型，很难达到100%正确率，就像我们利用指纹解锁手机，并不是每次都能够解锁成功一样。因此，我们会把正确率高于某个百分率的模型认为是训练成功的模型。 新知拓展 如何利用机器为我们的出行提供合理的建议? 利用机器为出行提供合理建议，需先借助传感器和定位技术从智能设备获取个人出行数据，如出发地、目的地、时间、频率等，同时汇总交通部门的实时交通信息以及天气数据。然后运用数据分析技术挖掘出行模式规律，建立出行预测模型并综合多因素建模以实现个性化精准建议。接着依据分析结果和模型为用户提供出行建议及多种方案，还支持实时决策调整。此外，要通过友好界面方便用户操作，鼓励用户反馈评价以优化系统，并且与用户互动提供个性化服务，从而综合运用技术并注重交互反馈来提升出行效率与便利性。 四、随堂练习 请简述人工神经网络的基本结构和工作原理。 人工神经网络模仿生物神经网络，结构含神经元（节点）、层（输入、隐藏、输出层）及连接（权重）。神经元经加权求和与激活函数处理输入信号后输出。数据从输入层经神经元与连接在各层传递至输出层。学习通过监督（如用反向传播算法依标注数据调整权重）或无监督（如用自组织映射网络依数据结构聚类）方式进行，以调整权重。训练后的网络对新数据处理输出用于预测和分类，具备自适应、自学习和泛化能力，广泛应用于多领域。 四 、知识拓展 1、智能交通出行的原理 2、智能出行的未来趋势： 3、智能出行的安全保障： 学生之间互相讨论人工神经网络。 学生通过观看课件和听老师讲解，了解深度学习的重要性。 学生通过观看课件和听老师讲解，了解神经网络是心啊出行预测。 学生查找资料，相互讨论对于本堂课中老师提出的问题进行解答。 学生通过观看视频和自我思考安全保护服务器。 帮助学生积极融入课堂，提高学生学习积极性。 学生通过边看边听的形式了解深度学习。 学生通过边看边听的形式了解神经网络实现出行预测。 让学生巩固本堂课的内容，加深学生对所学知识的印象。 让学生通过视频思考，进一步加深对课堂所学内容的理解。 布置作业 与家人或朋友讨论智能出行对生活的影响，记录下大家的观点和讨论内容，整理成文档。 完成作业 培养学生查阅资料的能力，分析解决问题的能力 课堂小结 本次课程我们探索了智能预测出行。了解到其未来趋势包括自动驾驶带来便捷高效出行、智能交通系统优化交通流量。智能出行在安全方面有先进技术防护、严格标准监管及数据安全保护。智能出行是生活方式变革，同学们应积极关注，学习相关知识，践行绿色出行理念，迎接智能出行未来。 分组总结归纳 锻炼学生的总结能力，逻辑思维、语言表达能力。 板书 一、人工神经网络 二、深度学习 三、神经网络实现出行预测 学习、记忆及勾画知识点 明确教学内容及重点和难点 学科网（北京）股份有限公司 $$